A Unified Three-Stage Weighting Framework for Causal Inference and Mediation Analysis under Case-Control Sampling

Resumen Técnico: Un Marco de Ponderación Unificado de Tres Etapas para la Inferencia Causal y el Análisis de Mediación bajo Muestreo de Casos y Controles

1. Planteamiento del Problema

Los estudios de casos y controles son un pilar de la investigación epidemiológica, ofreciendo ganancias sustanciales de eficiencia para estudiar resultados poco frecuentes o cuando el seguimiento prospectivo es impracticable. Sin embargo, el mecanismo de muestreo retrospectivo y dependiente del resultado, inherente a estos diseños, distorsiona la distribución marginal de los resultados de la población. Si bien las asociaciones condicionales (por ejemplo, las razones de momios o odds ratios) siguen siendo identificables, los estimandos causales marginales —como el Efecto de Tratamiento Promedio (ATE) y los efectos de mediación específicos de la vía— no pueden recuperarse directamente de los datos de casos y controles sin supuestos adicionales.

Los métodos existentes para la inferencia causal en entornos de casos y controles enfrentan tres limitaciones principales:

1. Dependencia de la Prevalencia Conocida: La mayoría de los enfoques basados en ponderación requieren el conocimiento previo de la prevalencia del resultado en la población, la cual es frecuentemente desconocida o se estima con alta incertidancia.
2. Supuestos Restrictivos: Los análisis de mediación suelen depender de aproximaciones de enfermedad rara o de supuestos paramétricos fuertes que son difíciles de verificar empíricamente.
3. Falta de un Marco Unificado: La literatura actual se centra mayoritariamente en efectos totales, careciendo de una estrategia unificada para estimar simultáneamente los efectos de mediación totales y específicos de la vía (directos, indirectos e interacción) bajo un muestreo retrospectivo sin formulaciones de verosimilitud especializadas.

2. Metodología: El Marco de Ponderación de Tres Etapas (3S-Weighting)

Los autores proponen un marco modular de tres etapas para reconstruir la distribución de la población objetivo a partir de datos retrospectivos de casos y controles, permitiendo una inferencia causal y de mediación válida utilizando técnicas estándar de modelado estructural marginal. El método se basa en información marginal de covariables disponible externamente (por ejemplo, de datos de censos), pero no requiere el conocimiento previo de la prevalencia del resultado de la población.

Etapa 1: Estimación de la Prevalencia del Resultado de la Población
La primera etapa aborda la prevalencia de la población ($\pi$) desconocida mediante el aprendizaje de la razón de densidad y la corrección de desplazamiento de etiqueta (label-shift correction).

• Generación de Población Sintética: Se genera una muestra de población sintética utilizando distribuciones marginales de covariables externas ($P(X)$) para aproximar la distribución conjunta menos informativa que satisfaga estas restricciones.
• Estimación de la Razón de Densidad: Se estima la razón entre la distribución de covariables de la población objetivo y la distribución observada de casos y controles, $r(X) = P_{Pop}(X)/P_{CC}(X)$, entrenando un clasificador probabilístico para distinguir entre la muestra sintética y la muestra observada de casos y controles.
• Corrección de Desplazamiento de Etiqueta: Se ajusta un modelo inicial de regresión de resultados aplicado a los datos de casos y controles. Se aplica un factor de corrección de desplazamiento de etiqueta, $\alpha(\pi)$, para ajustar el intercepto, recuperando la función de riesgo de la población $P_{Pop}(Y=1|X)$.
• Iteración de Punto Fijo: La prevalencia $\pi$ se estima resolviendo una ecuación de punto fijo donde el riesgo esperado de la población (ponderado por la razón de densidad) es igual a la estimación de la prevalencia misma.

Etapa 2: Reconstrucción de la Población Objetivo
Una vez estimada $\hat{\pi}$, se construyen pesos basados en el diseño para transformar la muestra retrospectiva en una pseudopoblación que imite la distribución marginal de resultados de la población objetivo.

• Pesos de Diseño: Los casos ($Y=1$) se ponderan por $\hat{\pi}/\hat{p}_{CC}$ y los controles ($Y=0$) por $(1-\hat{\pi})/(1-\hat{p}_{CC})$, donde $\hat{p}_{CC}$ es la proporción observada de casos. Este paso restaura la prevalencia del resultado de la población a $\hat{\pi}$.

Etapa 3: Ponderación Causal y de Mediación
Dentro de esta pseudopoblación reconstruida, se aplican pesos estructurales marginales estabilizados para ajustar por confusión y desequilibrio del mediador.

• Efecto Total: Se aplican pesos de probabilidad inversa de tratamiento (IPTW) estabilizados para estimar el Efecto Total (TE).
• Descomposición de la Mediación: Siguiendo el marco de descomposición de tres vías (VanderWeele, 2014), se construyen pesos específicos para estimar:
  • Efecto Directo Puro (PDE): Los pesos ajustan la asignación del tratamiento y la distribución del mediador bajo la condición de control.
  • Efecto Directo Total (TDE): Los pesos ajustan la asignación del tratamiento y la distribución del mediador bajo la condición de tratamiento.
  • Efectos Indirectos e Interacción: Derivados multiplicativamente del TE, PDE y TDE.
• Estimación: Se ajustan modelos estructurales marginales (MSM) ponderados con enlaces logarítmicos para estimar riesgos relativos (RR) para todos los componentes causales.

El marco también se extiende a entornos longitudinales dinámicos que involucran exposiciones y mediadores que varían en el tiempo, donde las tres etapas se aplican secuencialmente a través de conjuntos de riesgo para reconstruir las funciones de incidencia acumulada.

3. Resultados Clave

Estudios de Simulación:
Se realizaron simulaciones de Monte Carlo bajo un marco de mediación contrafactual con exposición, mediador y resultado binarios.

• Reducción del Sesgo: Los análisis convencionales que ignoran el muestreo retrospectivo produjeron un sesgo sustancial tanto en las estimaciones de los efectos totales como de mediación. En contraste, el marco de ponderación 3S recuperó consistentemente los parámetros causales de la población objetivo en diversos escenarios de muestreo (tamaños de muestra que oscilaron entre 500 y 8,000).
• Consistencia: A medida que el tamaño de la muestra aumentaba, el sesgo empírico, la desviación estándar (SD) y el error cuadrático medio (RMSE) para todos los estimandos (TE, PDE, PIE, InE) disminuyeron de forma monótona, demostrando la consistencia de los estimadores.
• Precisión: Se observaron ganancias de eficiencia significativas, con reducciones de la SD de más del 70% en tamaños de muestra grandes en comparación con el escenario más pequeño.

Aplicación Empírica (NHANES):
El marco se aplicó a los datos de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES) 2017–2018 para analizar la mediación causal del tabaquismo en la enfermedad cardiovascular (ECV) a través de la hipertensión.

• Recuperación de la Prevalencia: El método reconstruyó con éxito la prevalencia de la ECV en la población ($\hat{\pi} = 0.114$) a partir de una muestra equilibrada de casos y controles, coincidiendo estrechamente con la verdadera prevalencia de la población ($0.111$).
• Estimaciones de Efecto: El efecto total estimado del tabaquismo sobre la ECV fue $RR_{TE} = 1.16$. El análisis sugirió que la asociación operaba principalmente a través de vías directas más que por mediación vía hipertensión ($RR_{PIE} = 1.03$).
• Comparación: El método propuesto produjo un estimador de efecto total más pequeño en la escala de razón de momios (1.18) en comparación con una regresión logística ajustada estándar (1.74). Los autores atribuyen esta atenuación a la corrección del método para el muestreo dependiente del resultado, que apunta a un estimando marginal de la población en lugar de una asociación condicional.

4. Significado y Reivindicaciones

El artículo sostiene que proporciona un enfoque práctico y teóricamente fundamentado para la inferencia causal en estudios de casos y controles que supera la "brecha de prevalencia". Sus principales contribuciones son:

• Eliminación del Supuesto de Prevalencia: A diferencia de los métodos de ponderación previos, este marco no requiere que la prevalencia del resultado de la población sea conocida a priori; la estima internamente utilizando información de covariables externas.
• Análisis de Mediación Unificado: Ofrece una estrategia unificada para estimar efectos totales, directos, indirectos e interacción simultáneamente bajo muestreo retrospectivo, evitando las aproximaciones de enfermedad rara.
• Modularidad: El enfoque separa la recuperación de la prevalencia, la reconstrucción de la población y la estimación causal, lo que permite combinarlo con estimadores causales basados en ponderación estándar sin requerir formulaciones de verosimilitud dependientes del resultado especializadas.
• Amplia Aplicabilidad: Al integrar la recuperación de la prevalencia y la reconstrucción de la población, el método amplía el alcance de las preguntas causales abordables con datos de casos y controles, haciéndolo adecuado para entornos donde el seguimiento completo de la cohorte es inviable pero existen datos poblacionales auxiliares.

Los autores concluyen que, si bien el método depende de los supuestos causales estándar (consistencia, intercambiabilidad, positividad) y asume la transportabilidad de la relación covariable-resultado, representa un paso significativo hacia el cierre de la brecha entre la metodología tradicional de casos y controles y la inferencia causal moderna.